CN109893161A - 一种基于改进梅尔非线性频段划分的心音信号特征提取方法 - Google Patents
一种基于改进梅尔非线性频段划分的心音信号特征提取方法 Download PDFInfo
- Publication number
- CN109893161A CN109893161A CN201910191413.5A CN201910191413A CN109893161A CN 109893161 A CN109893161 A CN 109893161A CN 201910191413 A CN201910191413 A CN 201910191413A CN 109893161 A CN109893161 A CN 109893161A
- Authority
- CN
- China
- Prior art keywords
- cardiechema signals
- linear frequency
- linear
- frequency range
- meier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000001228 spectrum Methods 0.000 claims description 5
- 230000005236 sound signal Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000002837 heart atrium Anatomy 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明提供一种基于改进梅尔非线性频段划分的心音信号特征提取方法,以促进心音信号的分析和诊断。该方法对心音信号所处的500Hz以下频带进行显著非线性划分,依据此划分提取心音信号特征。
Description
技术领域
本发明涉及心音信号处理。
背景技术
心音信号是心脏收缩和舒张时血液在心脏各腔室和相连大血管中流动造成机械震动从而产生的声音,因此其中包含了与心房、心室、大血管、心血管及各个瓣膜功能状态相关的大量生理信息。心音的变化或杂音通常预示着先天性心脏病、瓣膜受损等心血管类疾病,具有重要临床意义。心音检测的无损伤、高重复性等特点使心音成为心血管类疾病的早期诊断的重要手段。
自上世纪80年代以来,随着数字信号处理技术和计算机技术的发展,心音信号的自动分析成为可能。目前使用较多的分析方法有时域波形法、小波变换系数法、神经网络、聚类算法等。但由于心音信号的信噪比低,极易受到环境噪声的干扰,众多方法的有效性亟待提高。
小波分析本质上是一种非线性频段划分的方法,但是以2为基的非线性划分,未结合心音本质上是音频信号的特点。
音频信号处理领域,梅尔倒谱系数(MFCC)是一种常用方法。该方法首先根据人耳对不同频率声音感知程度不同,将频域进行非线性划分,称为梅尔频率。然而,传统的梅尔频率,主要在人耳可听声(20-20000Hz)频率范围进行划分,而对于心音信号所处的500Hz以下频带,经典梅尔频率非常接近线性的。因此直接应用MFCC分析心音信号,其结果与线性频域一致,不能带来性能上的改进。
鉴于上述问题,本发明寻找梅尔频率在低频段(500Hz以下)的显著非线性划分,依据此划分提取心音信号特征,以促进心音信号的分析和诊断。
发明内容
发明目的
本发明的目的在于提出一种改进的心音信号非线性频段划分方法,基于此划分提取心音信号特征,以提高识别和区分正常、非正常(多种心脏疾病)两类心音信号的准确率。
技术方案
本发明的目的是这样实现的:
对心音信号计算信号功率谱。
考虑到心音信号主要频率为500Hz以下,本发明提出将普通频率转化为非线性频率的公式为:
mel(f)=1125*log10(1+f/280) (3)
线性频率与非线性频率在线性频率500Hz以下的对应关系如附图2所示。
将500Hz以下的区间在“梅尔”轴上均匀分割,对每个分割区间构造一个三角带通滤波器Hm(k)。
将功率谱乘以这一组L个三角带通滤波器Hm(k)
对每一个滤波器的输出求对数能量
进一步,对滤波器组的输出做离散余弦变换
即可获得改进后的梅尔频率倒谱系数;
如上所述,该方法在经典梅尔倒谱系数计算方法的基础上,根据心音信号频域特性进行改进,对于0-500Hz频段进行了非线性分割,并最终更大程度保留心音信号频域特征,适用于心音信号的特征提取和分类。
附图说明
附图1本发明的流程总体框图。
附图2线性频率与梅尔频率之间的对应关系。
附图3改进后的梅尔滤波器组。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图示说明如下。
图1是本发明一种基于改进MFCC的心音信号特征提取方法的总体实施框图。
一种基于改进MFCC的心音信号特征提取方法,步骤包括:
S1:对心音信号做快速傅里叶变换得到信号功率谱;
S2:考虑到心音信号主要频率为500Hz以下,使用公式mel(f)=1125*log10(1+f/280)将普通频率转化为非线性频率;
S3:使用S2中的公式,将500Hz以下的频率区间在“梅尔”轴上均匀分割,对每个分割区间构造一个三角带通滤波器Hm(k)。将功率谱乘以这一组15个三角带通滤波器,对每一个滤波器的输出求对数能量
S4:对S3中滤波器组的输出做离散余弦变换即可获得改进后的梅尔频率倒谱系数。
下面以本方法的实际应用,结合附图对本发明作进一步说明。
参考图1,是本发明的实施总体框图。
参考图2,是线性频率与非线性频率之间的对应关系。在0-500Hz频带内,经典梅尔频率与线性频率之间接近线性关系,本发明提出的非线性频率划分方法中,非线性频率与线性频率之间接近对数关系。
参考图3,是改进后的梅尔滤波器组。
上述图示结果说明,本发明提出的一种基于改进梅尔非线性频段划分的心音信号特征提取方法,对低频段(500Hz以下)进行显著非线性划分,依据此划分提取心音信号特征。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (2)
1.一种基于改进梅尔非线性频段划分的心音信号特征提取方法,其特征在于:将心音信号能量主要集中的0-500Hz频段进行非线性频率划分,然后提取非线性频谱特征系数。
2.如权利要求1所述,将心音信号集中的0-500Hz频段进行非线性频率划分,其特征在于包括如下步骤:
1)使用公式mel(f)=1125*log10(1+f/280)将普通线性频率转化为非线性频率;
2)将0-500Hz区间在“梅尔”轴上均匀分割,其对应的线性频率轴上的位置作为划分心音信号频段的依据。。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191413.5A CN109893161A (zh) | 2019-03-12 | 2019-03-12 | 一种基于改进梅尔非线性频段划分的心音信号特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910191413.5A CN109893161A (zh) | 2019-03-12 | 2019-03-12 | 一种基于改进梅尔非线性频段划分的心音信号特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109893161A true CN109893161A (zh) | 2019-06-18 |
Family
ID=66952318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910191413.5A Pending CN109893161A (zh) | 2019-03-12 | 2019-03-12 | 一种基于改进梅尔非线性频段划分的心音信号特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109893161A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006079062A1 (en) * | 2005-01-24 | 2006-07-27 | Regents Of The University Of Minnesota | Analysis of auscultatory sounds using voice recognition |
US20090043216A1 (en) * | 2007-08-10 | 2009-02-12 | Szming Lin | Heart beat signal recognition |
CN104706321A (zh) * | 2015-02-06 | 2015-06-17 | 四川长虹电器股份有限公司 | 一种基于改进的mfcc的心音类型识别方法 |
CN104887263A (zh) * | 2015-05-21 | 2015-09-09 | 东南大学 | 一种基于心音多维特征提取的身份识别算法及其系统 |
CN106251880A (zh) * | 2015-06-03 | 2016-12-21 | 创心医电股份有限公司 | 识别生理声音的方法以及系统 |
CN107391994A (zh) * | 2017-07-31 | 2017-11-24 | 东南大学 | 一种基于心音认证的Windows登入认证系统方法 |
CN108670291A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于emd结合改进的mfcc的心音类型识别方法 |
-
2019
- 2019-03-12 CN CN201910191413.5A patent/CN109893161A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006079062A1 (en) * | 2005-01-24 | 2006-07-27 | Regents Of The University Of Minnesota | Analysis of auscultatory sounds using voice recognition |
US20090043216A1 (en) * | 2007-08-10 | 2009-02-12 | Szming Lin | Heart beat signal recognition |
CN104706321A (zh) * | 2015-02-06 | 2015-06-17 | 四川长虹电器股份有限公司 | 一种基于改进的mfcc的心音类型识别方法 |
CN104887263A (zh) * | 2015-05-21 | 2015-09-09 | 东南大学 | 一种基于心音多维特征提取的身份识别算法及其系统 |
CN106251880A (zh) * | 2015-06-03 | 2016-12-21 | 创心医电股份有限公司 | 识别生理声音的方法以及系统 |
CN107391994A (zh) * | 2017-07-31 | 2017-11-24 | 东南大学 | 一种基于心音认证的Windows登入认证系统方法 |
CN108670291A (zh) * | 2018-06-01 | 2018-10-19 | 四川长虹电器股份有限公司 | 基于emd结合改进的mfcc的心音类型识别方法 |
Non-Patent Citations (4)
Title |
---|
YASEEN,ET AL.: "Classification of Heart Sound Signal Using Multiple Features", 《APPLIED SCIENCES》 * |
亚历杭德罗•海克特托塞利: "《多模交互模式识别与应用》", 30 June 2017 * |
张芝旖: "声纹识别相关技术研究及应用", 《中国优秀硕士学位论文全文数据库》 * |
陈玮等: "基于Mel频率倒谱系数的心音识别技术研究", 《生物医学工程学杂志》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570880B (zh) | 一种鼾声信号识别方法 | |
CN108198545B (zh) | 一种基于小波变换的语音识别方法 | |
CN110970042B (zh) | 一种电子听诊器的肺部啰音人工智能实时分类方法、系统、装置及可读存储介质 | |
CN110299141A (zh) | 一种声纹识别中录音回放攻击检测的声学特征提取方法 | |
CN112542174A (zh) | 基于vad的多维特征参数声纹识别方法 | |
CN110942784A (zh) | 基于支持向量机的鼾声分类系统 | |
Sharan et al. | Cough sound analysis for diagnosing croup in pediatric patients using biologically inspired features | |
Abdollahpur et al. | Cycle selection and neuro-voting system for classifying heart sound recordings | |
CN111489763B (zh) | 一种基于gmm模型的复杂环境下说话人识别自适应方法 | |
CN113796889A (zh) | 一种基于深度学习的辅助电子听诊器信号判别方法 | |
Hadjileontiadis | A texture-based classification of crackles and squawks using lacunarity | |
Acharya et al. | Feature extraction techniques for low-power ambulatory wheeze detection wearables | |
Wang et al. | Low pass filtering and bandwidth extension for robust anti-spoofing countermeasure against codec variabilities | |
González-Rodríguez et al. | Robust denoising of phonocardiogram signals using time-frequency analysis and U-Nets | |
CN109893161A (zh) | 一种基于改进梅尔非线性频段划分的心音信号特征提取方法 | |
CN110909827A (zh) | 一种适用于风机叶片声音信号的降噪方法 | |
CN111862991A (zh) | 一种婴儿哭声的识别方法及系统 | |
CN106683665B (zh) | 一种音频的音阶分析方法和系统 | |
Ihza et al. | Study of Denoising Method to Detect Valvular Heart Disease Using Phonocardiogram (PCG) | |
Wang et al. | Feature extraction based on mel-scaled wavelet transform for heart sound analysis | |
Safara et al. | Heart sounds clustering using a combination of temporal, spectral and geometric features | |
Fahad et al. | Phonocardiogram heartbeat segmentation and autoregressive modeling for person identification | |
Shah et al. | Separation of cardiorespiratory sounds using time-frequency masking and sparsity | |
US11660062B2 (en) | Method and system for recognizing crackles | |
CN112201226A (zh) | 一种发声方式判别方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190618 |
|
WD01 | Invention patent application deemed withdrawn after publication |